🔥 推特起爆帖监控
搜索和分析大V账号即将起爆的热帖推文。通过SoPilot插件快速评论和互动，抢先一步占领评论区，你将获得更多的曝光。
我现在最大的矛盾在于：我利用AI 的推理速度和层级，已经远远超过了我大脑的处理节奏。 当我看着那些合理且层层递进的链条时，感觉自己的思维是跟不上的。 而且活那么大，大脑并非空白运行，它背负着多年积累的 社会范式、计算机运作理念、教育框架 等认知惯性。这些既是基础，也是一种枷锁。 于是，当 AI 的推演结果跳脱出这些框架时，我常常会觉得它是“反直觉”的——其实不是逻辑错误，而是我自身的直觉和认知模型被传统压制。 这也是推上包括vibe coding这种事情都可以引发一阵程序员激烈争论的原因。
和学校里弱智的行政打交道真的会短命20年。 让我做学术报告，我说我要讲“分子生物学是人类疾病研究史走过的60年弯路”。他说不行，你只能讲你发表的东西。 我把英文标题发过去，说要我写中文。 让我发自己的照片过去，我就发了一张实验室的工作照，说不行，要蓝底证件照。 打开gemini把原图放进去生成一个还给你。 真是操蛋。
🔥卧槽！接入了AI能力的飞书多维表格真是最强效率神器。 我平时会收藏很多文章，但总是「存了就忘，没时间看」。 最近我用飞书多维表格搭了一个文章解析模板，完美解决收藏焦虑： 1、文章链接丢进表格 2、AI自动概括内容 我现在的习惯是： 每天刷到想看的文章先存在表格里，周末再统一打开，用几分钟扫一遍重点，决定要不要深读。 就像在批奏折。 顺便发现，多维表格还能一键把数据做成仪表盘，拿来复盘内容选题和项目也很好用。 以前做数据后台看板要代码开发，现在只需要用飞书多维表格就能实现，真的太好用了！ 现在不用下载飞书也能直接体验多维表格了，体验地址在评论区↓↓
最近大家都在讨论飞书多维表格，说它又能连数据源、又能搭仪表盘、还能让 AI 帮你分析。我想从大数据的角度聊聊飞书多维表格。 从业多年他给我的感觉不像一个升级版 Excel，这个看似简单的工具尝试把数据产品交付的方式彻底重做一遍。 做算法和数据这些年，练就的一个能力就是对这种“看似轻量、但底层逻辑变了”的产品特别敏感。 这类工具如果能跑得起来，改变的可不仅仅是分析师的效率，对于组织内理解数据、使用数据、围绕数据协同的整套机制都会有很大的冲击。 1/ 我相信很多从业者可以感同身受，花了很多资源、踩了很多坑才把底层打通：从实时数仓到指标体系，从元数据平台到权限控制，从接口聚合到图表服务，把系统整的越来越完整、查询越来越快、可视化越来越炫。 但真正的问题一直没变，上层的数据产品依然很复杂，因为组织的需求本身就是临时和复杂的，特别是涉及到多个业务部门多角色交错的、随着业务变化也非常快，而分析师在这个结构里也不是仅做做分析的人，分析师承担了太多解释、协调和翻译的责任。 2/ 也正因为上面的原因，市场上才诞生了那么多报表工具，比如：Tableau、FineBI、PowerBI 和 DataV等优秀的产品，有的从交互入手、有的从做指标集成入手，每个都试图在某个点上优化体验，但很少有产品能真正从组织协作的原点出发，去问一个看似简单但其实极难的问题：一个非技术用户，在不打断工作流的前提下，能不能自己理解和使用数据？ 飞书多维表格的思路让我觉得有些不一样的地方就在这儿，它没有强调功能有多强、图表多丰富，它选择通过一个人人都会的表格界面，构造出一个可协作编辑，还能嵌入流程的数据使用场，任何一个人可以拖字段搭仪表盘，可以用 AI 自动生成对比和解释，甚至可以把分析动作变成一个群内流程，而不是一个BI 平台里的报表快照。 3/ 更关键的是，这种简化交互复杂度的设计并非功能取巧，而是建立在技术硬实力升级之上的，已经支持单表千万行数据编辑了，这对于大数据分析绰绰有余。特别是查询与运算响应能力达到秒级，这种体量的表格运行能力，其实已经可以承载中大型组织级别的数据协作任务。 特别是 AI 能力的接入，我们之前想把 AI 分析加入到我们的报表系统中，这种外挂的方式一直没有一个很好的体验。 飞书多维表格这种形式让我们学到了很多，在被实际用在分析流程里，可以用自然语言提问分析结果、自动生成图表，甚至在企业中落地为智能巡检、内容创作辅助、业务执行节点控制器等模块。 这种使用方式整合了之前脚本和数据两张皮的问题，第一次让 AI 从分析工具真正变成组织流程的参与者，比起其他 datagent 来说，我认为这算是数据场景下面最重要的一个 Agent 形式，更具有实际价值。 所以很多人聊飞书多维表格是一个工具，我更愿意称它为一个优秀的大数据产品，从产品层面折叠可数据产品的交互复杂性，把原本分散在三个系统、四个角色之间的逻辑，统一进一个所有人都能进入的轻型界面，而分析师也终于可以从无限重复解释中松绑出来，把更多精力花在模型质量、指标沉淀和洞察能力上。 所以当看到它不需要专门安装、直接网页打开就能用时，我第一时间让团队用了起来，作为一个让数据交付的平民化的产品给业务分享，期待它能帮整个组织把理解数据这件事变得更顺畅。
我们这个时代最杰出的散户交易员之一： 蒂姆·格里塔尼 他用了十年时间，把 1,500 美元变成了数百万美元。 他积累了大量交易知识，并举办了一场长达一小时的交易分享会，毫无保留地分享了他的经验。 下面是他分享中的 4 个关键教训（不到 4 分钟即可看完）：🧵 https://t.co/GlamGyuGSI
Nano banana 帮你预测随手拍的照片荒废 100 年的样子 变成视频之后表现力更强，更加直观，感觉可以做个小应用随手拍预览环境发展 提示词：This photo shows what the place looks like 100 years later, abandoned and unmaintained. https://t.co/OAnYXDzNzk
稳定性和高收入在副业阶段是天然对立的 又不能投入时间，又要高收入，还要现金流稳定 是不是把赚钱想得太简单了 安全感来自「随时能赚钱的能力」，而不是「稳定的收入」 说穿了，副业是个伪命题 副业的核心是「副」，而不是「业」 因为不接受业务天然伴生的不稳定性，所以实际上并不尊重这个「业」 又因为不敢抛弃主业，所以核心变成了「副」，副业的附属地位才是这个词存在的原因
我挺认可这位爸爸带孩子的方式：探索新奇 夫妻二人在孩子教育上观念不合就特别别扭 结婚前，请与你的伴侣深度讨论这40个问题👇 https://t.co/juvYNF2KbC
1/一群顶尖的分子生物学家刚刚发现了一件令人惊讶的结果。 小胖威利综合征一类的综合征型神经发育障碍患者中，自闭症的发生一直以来非常常见。 其中超过 20%的小胖威利综合征患者表现出与自闭症相关的表型。 然而没有人了解这背后的原因： A team of top molecular biologists has just made a surprising discovery. ~Autism is very common in patients with syndromic neurodevelopmental disorders, such as Prader-Willi syndrome. ~Over 20% of Prader-Willi patients show autism-related traits. Yet, until now, the reasons behind this have remained unclear.
Nano Banana 这数据是真滴猛，什么产品不产品，AI 领域还是新模型才有新机会 https://t.co/iqeNSMxQiy
去年一起做 AI 搜索的几波人 1. 秘塔在探索 AI 学习，主打的 toc AI 搜索，体验很久没升级了 2. 博查借势 deepseek，已经是国内 tob 搜索 top3 的量级了 3. genspark 转型去做通用智能体了，功能更新很快，号称几千万美金 arr 了 4. felo 也在发力 agent，主要用户在日本 5. devv 转型去做 vibe coding 了 6. miku 转型去做 vibe writing 了 是不是可以下结论：toc AI 搜索已死？ 我该如何盘活 ThinkAny ？
不要被“AI 时代只需要通才”这样的话误导而停止对专业的精进，AI 提升的是能力的下限，AI + 通才还是通才，不会让你变成某个领域的专家，通才通常意味着啥都不精，做啥都不行。 在没有 AI 的时代，确实有很多成功的通才，他们擅长跨领域的整合，但他们在专业领域会依赖于人类在某些领域的专家辅助，所以取得了成功。 在 AI 时代，AI 只能提升下限，让你可以更容易的在某个专业领域学习和做一些基础的工作，但要深入的话，AI 是远远不够的。 举例来说，你是个产品经理，不懂编程，借助 AI 确实可以 Vibe Coding 做出来一个原型产品，但是当你更深入，需要做大做强，那么 AI 并不能帮你解决产品的安全问题、性能问题，后期的维护单纯依赖 AI 也很难，因为这些更专业的知识，单纯依赖 AI 是解决不了的，仍然需要人类的专家辅助。 对于普通人来说，通常只有在一个领域深入学习成为真正的专家，去做成一些事情去踩一些坑，才能从中总结出来一些通用经验教训，把这些成功经验复制到其他领域上，如果在每个领域都只是浅尝则止，那又怎么能有成功的经验去复制。 成为一个领域的专家并没有想象的那么难，尤其是 AI 让领域的学习难度平滑了很多，当你在一个领域成为专家，再想成为其他领域的专家，时间就会大幅缩短。永远不要被“AI 时代只需要通才”这样的话误导而停止对专业的精进，精通一项技能本身就是很快乐的事情。
我发现自从我开始做自媒体以后，慢慢形成了一个特别差的习惯。 人为制造信息差 我以前非常喜欢把原始的链接、数据直接发给别人。比如我师妹问我一个事情，我会把英文的网址直接发给她让她学 结果就是丢给她一整天，她还在问东问西。最后到晚上还来找我，让我教她。 我现在会直接让她把序列发过来，我帮她5分钟搞完。然后让她给我发红包请我喝咖啡。 感觉效率高多了，真爽。
推荐阅读：《AI 会取代人类思考吗？我们为什么仍要亲手写作和编程》 作者：Simon Späti 重新学习思考，警惕对 AI 的依赖。 每天关于 AI 的（吹捧的或无聊的）文章层出不穷。用它没问题，大家也都在用，但我们仍然需要打磨自己的手艺，并努力去思考。 就像 DHH（David Heinemeier Hansson，Ruby on Rails 框架创始人）所说： 精通某项技能比一直等着 AI 完成任务要有趣得多。 在我看来，AI 让我们不快乐的概率非常高。用，当然可以，但不能事事都用。我们可以用它来探索新知、梳理历史脉络，或者制作图表（比如用 Canva、Figma），但绝对不能用它来写作（或编程）。世界总需要有人贡献新的知识和见解，而 AI 无法自我训练。因此，文章、书籍和文字仍将被创作，当人人都依赖 AI，导致其发展停滞时，作家的价值反而会更加凸显。 从长远来看，这是一种损失——人们将停止思考和学习。时间会证明一切。我的浅见是，如果你在某个领域已是资深专家，你会比 AI 更懂。 Bsky 何时使用 AI 的指南 我从 ThePrimeagen 的一个视频中听到一个观点：这取决于你决策的影响有多长远。短期内，用 AI 自动补全代码没问题，但让它做架构设计这样重大的决策，绝对不行。 Image 这张图的横轴是时间，纵轴是错误数量。它表明，我们让 AI 参与的决策越是影响深远（比如系统架构），它产生的错误就可能越多。 如果我们用它来快速补全代码，或者写一个定义清晰的算法函数，那么出错的概率就小。在初始阶段，你可能会提升 20% 的效率；但到了后期，你失去的会更多。 这就像现实生活中，我等待决策的时间越长，掌握的信息就越多，做出的决定就越好。这正是 Shape Up 工作法所倡导的，决策周期最长为 6 周，不制定更长远的路线图和积压任务。使用 AI 也是同理，因为它的所有输出都是基于概率预测的。 Forrest Brazeal 的另一张图也很有启发性： Image 同时，也要牢记什么对你的应用场景最重要，正如 Thomas Ptacek 在《我的那些 AI 怀疑论朋友都疯了》一文中所展示的： Image 毫无灵魂 没人想读毫无灵魂的文字，即使它写得还不错，你又能从中得到什么呢？我认为这是一个巨大的陷阱，人们只有在时间流逝后才会意识到。当然，AI 能提供帮助，每个人在“某些”任务上都需要它们，但不应是写作本身。 归根结底，大语言模型 (LLM) 和 AI 需要引导，它们只是概率的产物。另见 亲手写作。 分心 我认为我们将比以往任何时候都更容易分心。我们甚至没有两秒钟的思考时间，Grammarly、Copilot 或 Cursor 就会跳出建议。于是，我们不再独立思考，只是随波逐流，渐渐失去了主导权。 这让我想起最近写的一篇文章《寻找心流》。更多关于“不要事事依赖 AI，否则你会停止思考和学习”的讨论，请见 AI 的使用 和 写作之难。 别误会 别误会，我自己也每天都用 AI，但用得更审慎。我关掉了 Grammarly 和 Copilot（很久以前就关了），这样我才有空间去思考和学习。偶尔用一两次没问题，但如果处处都用，你不仅会失去学习新技能的机会，也会失去其中的乐趣。 关于“人机协作智能”（LLM Collaborative Intelligence, LCI）的讨论很有趣。当然，它会带来很多好处，但我不确定这些 AI 产生的“洞见”能否与人类历经艰辛后感受、感知或体验到的洞见相提并论。所以，是的，我对此没有太多期望，也不希望它来创造新的见解。因为那是我工作中真正有趣的部分 :) 锻炼一项技能 事情永远不是“全有”或“全无”，而是在于度的把握。学习的问题在于，如果你频繁使用 AI，我认为你其实学不到太多东西。写作时只是复制粘贴，编程时只是不停地按 Tab 键。学习的过程消失了。如果这种情况持续下去，我们的大脑就不再习惯于学习，更严重的是，不再习惯于思考。就像记忆一样，我们现在还能记住几个手机号码？很少了。但在早期用电话的时代，我能记住很多，因为我每天都在训练这个能力。 这完全是一个熟能生巧的问题。我为自己总结出——虽然不一定适用于每个人——我发现自己不再学习或思考了。坦白说，也失去了乐趣。这主要是在我熟悉的领域。 在其他领域，比如创作一张图片（就像我为这篇文章做的那张 😆），或者用 HTML/CSS 更新我网站的首页，这些事因为不常做，AI 帮我省了很多时间。但我得说，除了学会了如何给 Claude Code 写提示词，我并没学到任何新东西。这始终是一种权衡，不是吗？:)
哎？这个观点还真的很戳中我。 AI 的跨界性：大模型的出现，本质上是“弱专业壁垒 + 强通用性”。很多专业积累瞬间被稀释或工具化。 结果就是专家往往会高估自己专业的“不可替代性”，低估外部工具的威力 → 这正是 Dunning-Kruger 的另一种形态。 我今年以来对此有越来越强的直觉。
硅基计算可能是我们人脑的生物计算的低维实现 造物主在我们无法想象的高维空间 而我们如同在揉成一团的纸面上爬行的蚂蚁🐜 https://t.co/RdMkngxmG6
📢 小报童，再见 👋🏻 MkSaaS模板支持文章的付费阅读啦！ 只需在文章的mdx文件中设置premium:true，并将需要付费才能看到的内容用PremiumContent标签包起来，搞定，这就是付费文章了！ 赶紧把你的宝藏经验，封装成知识库，让大家付费阅读！ MkSaaS模板已经完全准备就绪，大家抓紧上站吧！ https://t.co/c4AN87CkvO
这本书我今天翻了下，还是学到不少。 最深的感慨是，中国眼下的处境，比当年日本复杂得多，是一种多重叠加的压力。 日本当年的问题，主要是大学生就业受阻——入口断层。但他们保住了中年群体：大企业正式员工稳定，房贷还能扛，家庭层面有团块世代的资产红利作为缓冲。这样，即便“冰河期一代”受挫，社会总体还能靠三十年的时间慢慢消化债务。 而中国现在更危险：不仅大学生“进不来”，中年人也“保不住”。所谓35岁现象，叠加技能老化，再遇上即将到来的AI技术范式海啸，形成“双断层+技术冲击”。我听到的版本就是中年失业以后，尤其是一些原来中产密集的职位，管理，市场，财务，产品等等，找到同等待遇职位的可能性越来越小。 同时，外部环境也远比当时复杂。当年的日本，大企业在全球产业链里依然能持续输出竞争力；而今天的中国，面对的是美国、欧洲等发达经济体自身的需求侧收缩，外部市场并不能提供缓冲。
语言临界区：年轻人要去从事和探索术语都还没有形成的领域 这几天深入研究 IR 与运行时契约，我算是真切地体验了一把什么叫“语言临界区”。虽然推友自由金牛@jinniudashu和君子兄@Chinese_XU早就互粉，我也隐约知道他们各自的项目方向，但真到交流时才发现，我们常常像鸡和鸭一样各说各话。尤其是我，领悟得最晚，也最弱。其实他们两位的语言能力都极强，本质上我们指向的方向也一致。只是关键的那记“警铃”一直没有在我心里敲响，没有真正共振到。前几天另一个推友说过，年轻人要去从事那些术语尚未定义的行业。我现在才深刻体会到这句话的意思——明明我们要解决的是同样的问题，方向也一致，但因为语义未统一，往往会发生激烈争执。 这与 AI 近几年的发展何其相似。在新兴事物刚刚出现时，往往是“事实先于语言”。大家直觉上都在朝同一个方向努力，但缺乏一套约定俗成的说法，只能借助模糊、比喻或者各自惯用的词汇来表达。这种语言真空一方面让创造和探索保持开放，不至于过早被固化的定义所束缚；另一方面，每个人所用的标签不同，交流时便容易出现“鸡同鸭讲”，形成表面上的分歧。 而当方向一致、用词不一时，争论往往并非源于真正的分歧，而是语义对齐的失败： 一方觉得“你没懂我的意思”； 另一方却以为“你在否定我”。 事实上，大家谈论的往往还是同一个问题，只是语义尚未沉淀出一个公共的框架。 语义未统一并不仅仅是“词汇不同”，背后有一整套技术性的分层原因。 首先，每个人进入问题的入口各异：工程师关注实现细节，如接口、代码与算法；商业人士着眼于商业模式、成本与市场；而哲学或战略视角则关心长期演化与概念架构。这就像几个人同时看一座大楼，有人盯着地基，有人研究电梯，有人只在意顶层的观景台——描述的对象虽相同，却天然不一致。 其次，问题往往分布在不同抽象层：物理层涉及硬件、材料与能耗；逻辑层对应算法、规则与协议；认知层包含模型、叙事与使用方式；制度层则牵涉法律、治理与共识机制。如果一方在逻辑层谈“运行时契约”，而另一方在制度层谈“治理结构”，两者语义难以直接对接，往往被误解为不同问题，甚至发生冲突。 再者，方法论差异进一步放大这种错位：有人偏向归纳，从案例总结规律；有人偏向演绎，从原则推导应用；有人依赖实验，快速试错；有人依赖协议，强调语言先行统一再执行。不同的处理方式，使得即便目标一致，也会演化出迥异的话语体系。其本质在于语言协议的缺失：缺乏跨角度的映射表、缺乏层次化的结构对齐、缺乏统一的执行协议。于是就出现了这种现象：大家都在做同一件事，却仿佛来自不同维度，听得见彼此的声音，却难以形成真正的共识。 我们思考的问题，绝对不是全球独一份。然而找到其他的共鸣者极困难。 语义错层 × 多语言噪音 × 文化制度差异，共同叠加成了全球协作的语义熵爆点。 其结果是：一个术语刚在 A 社区里稳定下来，到了 B 社区就彻底跑偏；一个新兴领域在 C 语言里没有现成词汇，只能借用模糊的说法，造成后续混乱；一个治理协议跨国落地时，因为语义差异，甚至可能让合约条款在执行层面产生歧义。多语言叠加带来的噪音尤为突出——直译歧义、语感差异与语言混用已成常态。全球开发者的日常交流中，中英文夹杂、英语术语直接音译、乃至同一会议里不同人使用不同语言，进一步放大了对齐难度。而教育背景、工程传统以及制度价值的差异，更让同一概念在不同社群中演化出完全不同的解读。 传播，对齐，共识，比争对错更重要。 在这种语境下，真正稀缺的能力不是“谁的观点更正确”，而是谁能搭建起跨越差异的桥梁：将不同切入点压缩为统一的目标表达，把不同层级对应起来形成结构对齐，并将不同方法论统一到可迁移的协议之中。最终，谁能在全球语境下率先构建一个多语言可对齐的“语义协议”，谁就有可能成为行业标准的制定者。
